IA em Revisão de Código: Modelos são mais eficazes corrigindo falhas alheias do que as próprias

A pesquisa da Greptile traz uma luz importante sobre o uso estratégico de modelos de IA na revisão de código. Descobrimos que ferramentas como Claude Code e Codex se saem melhor ao vasculhar o código de outros modelos do que ao analisar suas próprias criações. Isso acontece porque cada modelo tem um “jeito” próprio de programar, uma espécie de “lista mental” do que é importante, o que acaba gerando pontos cegos para seus próprios erros. O estudo, que analisou mais de mil Pull Requests gerados por IA, validou essa teoria, mostrando que os tipos de bugs que um modelo mais produz são justamente aqueles que ele tem mais dificuldade em identificar durante a revisão.

Essa descoberta reforça a ideia que já discutíamos na matéria de 8 de junho de 2026, sobre a “dúvida automatizada”. Lá, a gente falava em usar subagentes especializados para ter múltiplas perspectivas na revisão. A “Model Inversion” da Greptile é a aplicação prática disso: quando a IA detecta que um código foi escrito por um Claude Code, ela manda para um modelo GPT fazer a revisão, e vice-versa. Isso explora as forças de cada um. O Claude (Opus), por exemplo, é mais “amplo”, procurando problemas em várias áreas, enquanto o GPT (Codex/GPT 5.5) vai mais “fundo”, verificando a fundo problemas específicos. Essa complementaridade é o que garante uma revisão mais eficaz, já que um modelo pega o que o outro deixou escapar.

A cobertura anterior do CEVIU, como a matéria de 23 de junho de 2026, já destacava a capacidade dos LLMs para detectar vulnerabilidades de alta severidade em código. A novidade agora é a sofisticação dessa abordagem. Não basta apenas usar IA para revisar; a pesquisa mostra que é crucial usar modelos diferentes para a autoria e a revisão. O que era um conceito de “dúvida automatizada” em 8 de junho de 2026, ganha agora uma implementação prática e baseada em dados com o “Model Inversion”, provando que a troca de modelos eleva a qualidade da detecção de bugs, transformando uma boa prática em uma estratégia essencial.

Para o desenvolvedor, a implicação é clara e direta: usar um modelo de IA para escrever código e outro para revisá-lo pode otimizar a qualidade do software, pegando falhas que passariam despercebidas. Isso reduz o custo da revisão e da refatoração, ecoando o paradoxo que discutimos em 17 de junho de 2026, onde a IA tornava reescritas baratas, mas revisões caras. Com a estratégia do “Model Inversion”, a revisão se torna mais eficiente e, consequentemente, menos custosa em termos de atenção humana. No fim das contas, seu código fica mais robusto e confiável, acelerando o ciclo de desenvolvimento e elevando o nível do produto final.